Font size
Worksheetsremedial gizi 3c
Total questions: 96
Worksheet time: 48mins
Apa tujuan utama dari uji komparatif?
Mengukur hubungan antara dua variabel
Membandingkan rata-rata antara dua atau lebih kelompok
Menganalisis distribusi data
Menguji hipotesis korelatif
Memprediksi variabel dependen
Uji t berpasangan digunakan ketika:
Data berasal dari dua kelompok independen
Data berasal dari sampel yang sama pada dua waktu berbeda
Data berasal dari lebih dari dua kelompok
Variabel dependen berbentuk kategorikal
Data tidak berdistribusi normal
Uji t tidak berpasangan digunakan ketika:
Data berasal dari dua kelompok yang sama
Data berasal dari dua kelompok independen
Data ordinal digunakan
Data berasal dari lebih dari dua kelompok
Variabel dependen tidak berdistribusi normal
Apa asumsi utama uji t tidak berpasangan?
Sampel berasal dari distribusi normal
Variansi kedua kelompok sama
Data berasal dari dua kelompok independen
Semua benar
Tidak ada asumsi khusus
Jika nilai p-value dalam uji t adalah 0.03 dan nilai α = 0.05, apa keputusan hipotesisnya?
Terima H0
Tolak H0
Tidak cukup bukti untuk membuat kesimpulan
Hipotesis tidak relevan
Tidak signifikan
Data apa yang paling cocok untuk uji t berpasangan?
Skor sebelum dan sesudah intervensi
Rata-rata dua kelompok yang berbeda
Data nominal atau ordinal
Variabel independen dengan banyak kategori
Data kategorikal
Apa alternatif uji t jika data tidak berdistribusi normal?
Uji Mann-Whitney U
Uji Wilcoxon Signed Rank
Uji Kruskal-Wallis
Uji ANOVA
Semua di atas
Apa hipotesis nol dalam uji t tidak berpasangan?
Tidak ada perbedaan rata-rata antara dua kelompok
Ada perbedaan rata-rata antara dua kelompok
Semua sampel berasal dari populasi yang sama
Data tidak memiliki variansi
Semua variabel independen signifikan
Uji Wilcoxon Signed Rank digunakan sebagai alternatif untuk:
Uji t tidak berpasangan
Uji t berpasangan
Uji korelasi Pearson
Uji chi-square
Uji regresi
Jika variansi dua kelompok tidak sama dalam uji t tidak berpasangan, maka:
Gunakan asumsi varian yang sama
Gunakan uji Welch t-test
Lakukan transformasi data
Gunakan uji paired t-test
Hasilnya tetap valid tanpa perubahan
Seorang peneliti ingin mengetahui apakah ada perbedaan berat badan sebelum dan sesudah diet. Uji statistik apa yang paling sesuai?
Uji t tidak berpasangan
Uji t berpasangan
Uji ANOVA
Uji Mann-Whitney U
Uji chi-square
Jika peneliti membandingkan rata-rata tekanan darah antara kelompok yang menerima obat dan yang tidak, apa uji statistik yang digunakan?
Uji t tidak berpasangan
Uji t berpasangan
Uji Wilcoxon Signed Rank
Uji korelasi Pearson
Uji chi-square
Dalam uji t berpasangan, data harus:
Independen antara kelompok
Berpasangan dalam satu kelompok
Berdistribusi tidak normal
Ordinal
Kategorikal
Apa yang perlu diperiksa sebelum melakukan uji t tidak berpasangan?
Homogenitas variansi
Normalitas data
Ukuran sampel yang cukup
Semua di atas
Tidak ada pemeriksaan yang diperlukan
Seorang peneliti melakukan uji Mann-Whitney U dan menemukan p-value< 0.01. Apa kesimpulannya?
Ada perbedaan signifikan antara dua kelompok
Tidak ada perbedaan antara dua kelompok
Kedua kelompok memiliki distribusi yang sama
Hipotesis nol diterima
Uji statistik tidak valid
Dalam uji t tidak berpasangan, jika distribusi data miring (skewed), apa langkah terbaik?
Lakukan uji nonparametrik seperti Mann-Whitney U
Abaikan distribusi dan tetap gunakan uji t
Transformasi data menjadi normal
Hapus data ekstrem
Lakukan uji ANOVA
Uji paired t-test menghasilkan p-value = 0.2. Apa keputusan hipotesisnya dengan α = 0.05?
Tolak H0
Terima H0
Tidak cukup bukti untuk menolak H0
Hipotesis alternatif diterima
Tidak signifikan
Seorang peneliti ingin membandingkan tingkat kolesterol antara pria dan wanita. Data berdistribusi tidak normal. Apa uji statistik yang sesuai?
Mann-Whitney U
Paired t-test
Wilcoxon Signed Rank
Chi-square
Fisher's Exact
Jika data tidak homogen dalam uji t tidak berpasangan, maka:
Gunakan uji Welch t-test
Gunakan paired t-test
Lakukan transformasi logaritmik
Gunakan uji Mann-Whitney U
Abaikan hasil uji
Apa perbedaan utama antara paired t-test dan independent t-test?
Paired t-test digunakan untuk sampel yang sama, sementara independent t-test untuk sampel yang berbeda
Paired t-test hanya untuk data ordinal
Independent t-test digunakan untuk data kategorikal
Tidak ada perbedaan antara keduanya
Paired t-test tidak memerlukan asumsi normalitas
Seorang peneliti membandingkan tekanan darah pasien sebelum dan sesudah terapi. Nilai p-value = 0.04, namun terdapat pencilan dalam data. Apa langkah terbaik?
Abaikan pencilan dan gunakan paired t-test
Gunakan uji Wilcoxon Signed Rank
Hapus pencilan dan ulang analisis
Transformasi data menjadi normal
Gunakan independent t-test
Apa yang harus dilakukan jika hasil uji t tidak berpasangan menunjukkan variansi tidak homogen?
Abaikan hasil uji dan lanjutkan analisis
Gunakan alternatif seperti Welch t-test
Transformasi data menjadi homogen
Gunakan paired t-test sebagai alternatif
Lakukan uji nonparametrik
Peneliti ingin membandingkan rata-rata kadar gula darah sebelum dan sesudah pemberian obat dengan sampel kecil (n < 30). Apa asumsi yang harus diuji terlebih dahulu?
Normalitas data
Homogenitas variansi
Indeks korelasi antar variabel
Hubungan linier
Distribusi binomial
Jika hasil uji Mann-Whitney U menunjukkan distribusi dua kelompok berbeda secara signifikan, langkah apa yang perlu dilakukan untuk mendalami hasil ini?
Lakukan analisis grafik boxplot
Hitung efek ukuran (effect size)
Periksa distribusi data secara mendalam
Semua di atas
Tidak ada langkah tambahan yang diperlukan
Seorang peneliti menggunakan uji t tidak berpasangan tetapi mendapati data tidak normal. Dia melanjutkan analisis tanpa perubahan. Apa implikasi dari ini?
Hasil tetap valid karena uji t robust terhadap pelanggaran asumsi
Hasil bisa salah karena pelanggaran asumsi
Hasil tetap benar jika data sampel besar
Hasilnya menjadi nonparametrik
Tidak ada implikasi apapun
Seorang peneliti membandingkan tingkat stres mahasiswa sebelum dan sesudah ujian menggunakan paired t-test. Hasil menunjukkan p-value = 0.06. Apa yang dapat dilakukan untuk meningkatkan kekuatan uji?
Menurunkan tingkat signifikansi menjadi 0.1
Menambah ukuran sampel
Menggunakan uji nonparametrik seperti Wilcoxon Signed Rank
Menggabungkan data kedua kelompok
Menolak hipotesis nol tanpa modifikasi
Dalam uji independent t-test, hasil menunjukkan bahwa kelompok A memiliki rata-rata skor 70 dengan variansi lebih kecil dibandingkan kelompok B yang memiliki rata-rata skor 85. Nilai p adalah 0.03. Apa kesimpulannya?
Ada perbedaan signifikan, namun variansi harus diperiksa lebih lanjut
Tidak ada perbedaan karena variansi tidak homogen
Tidak dapat disimpulkan karena data tidak cukup
Hipotesis nol diterima karena efek ukuran kecil
Data menunjukkan hubungan kausal
Seorang peneliti menemukan bahwa hasil paired t-test signifikan, tetapi grafik data menunjukkan distribusi asimetris. Apa langkah terbaik berikutnya?
Gunakan uji Wilcoxon Signed Rank untuk mengonfirmasi hasil
Lakukan transformasi logaritmik pada data
Hapus data pencilan dan ulang analisis
Tetap gunakan hasil paired t-test tanpa perubahan
Abaikan hasil karena distribusi asimetris
Dalam uji Mann-Whitney U, hasil menunjukkan kelompok A memiliki skor median lebih tinggi daripada kelompok B dengan p < 0.01. Namun, analisis scatter plot menunjukkan banyak pencilan di kelompok A. Apa langkah selanjutnya?
Hapus pencilan dan ulang uji Mann-Whitney U
Analisis ulang dengan transformasi data
Gunakan uji parametrik untuk hasil lebih akurat
Periksa dampak pencilan pada hasil dan tambahkan deskripsi dalam laporan
Kesimpulan tetap valid tanpa langkah tambahan
Peneliti membandingkan efek dua metode diet terhadap penurunan berat badan menggunakan independent t-test. Hasil menunjukkan p = 0.045 dengan efek ukuran kecil (Cohen's d = 0.3). Apa interpretasi yang tepat?
Ada perbedaan signifikan secara statistik, tetapi efek secara praktis kecil
Tidak ada perbedaan signifikan karena efek ukuran kecil
Hasil tidak signifikan karena p mendekati 0.05
Perbedaan besar secara praktis tetapi tidak signifikan secara statistik
Efek ukuran tidak relevan untuk interpretasi hasil
Apa tujuan utama dari analisis regresi logistik?
Memprediksi variabel independen dari variabel dependen
Menganalisis hubungan linear antara dua variabel
Memprediksi probabilitas kejadian suatu peristiwa
Mengukur tingkat korelasi antarvariabel
Menghitung rata-rata dari data sampel
Variabel dependen dalam regresi logistik harus berbentuk:
Numerik kontinu
Kategorikal
Interval
Rasio
Diskrit ordinal
Fungsi logit dalam regresi logistik adalah:
ln(p / (1-p))
1 / (1 + e^(-x))
x^2 - y^2
x / y
xy
Dalam konteks gizi, regresi logistik dapat digunakan untuk:
Menentukan pola makan ideal
Mengelompokkan kategori status gizi
Memprediksi status gizi seseorang berdasarkan variabel tertentu
Mengukur rata-rata kalori harian
Membandingkan dua kelompok
Jika p-value dalam output regresi logistik adalah 0.03, maka:
Variabel independen tidak signifikan
Model regresi tidak valid
Hipotesis nol ditolak pada tingkat signifikansi 5%
Hipotesis nol diterima pada tingkat signifikansi 5%
Tidak dapat disimpulkan apa-apa
Seorang peneliti menggunakan regresi logistik untuk menganalisis hubungan antara konsumsi sayur dan risiko obesitas. Apa interpretasi dari koefisien logit sebesar -1.2?
Risiko obesitas meningkat dengan konsumsi sayur
Risiko obesitas menurun dengan konsumsi sayur
Konsumsi sayur tidak mempengaruhi obesitas
Konsumsi sayur memprediksi penurunan berat badan
Tidak ada hubungan antara variabel
Dari tabel output regresi logistik, nilai odds ratio adalah 2.5 untuk variabel asupan lemak tinggi. Apa artinya?
Konsumsi lemak tinggi meningkatkan risiko 2.5 kali lipat
Konsumsi lemak tinggi tidak berpengaruh pada risiko
Konsumsi lemak tinggi menurunkan risiko 2.5 kali lipat
Risiko meningkat sebesar 25%
Tidak dapat diinterpretasikan
Variabel independen apa yang paling sesuai digunakan dalam analisis regresi logistik terkait status gizi?
Berat badan kontinu
Kategori aktivitas fisik
Total asupan kalori per hari
Indeks massa tubuh numerik
Rasio lingkar pinggang
Jika model regresi logistik memiliki Nagelkerke R-square sebesar 0.45, maka:
Model memiliki prediksi buruk
Model menjelaskan 45% variansi dari variabel dependen
Model tidak layak digunakan
Model hanya menjelaskan hubungan variabel independen tertentu
Nilai tersebut terlalu rendah untuk analisis
Pada uji goodness-of-fit Hosmer-Lemeshow, nilai p-value adalah 0.12. Apa yang dapat disimpulkan?
Model tidak cocok untuk data
Model cocok untuk data
Model gagal menjelaskan data
Variabel independen tidak signifikan
Data terlalu bervariasi
Jika Anda menemukan multikolinearitas antarvariabel independen dalam regresi logistik, langkah apa yang dapat diambil untuk memperbaikinya?
Menghapus variabel independen yang tidak signifikan
Melakukan transformasi variabel independen
Menggunakan analisis faktor atau penghapusan variabel kolinear
Meningkatkan ukuran sampel
Mengubah variabel dependen
Penelitian menunjukkan bahwa konsumsi gula tinggi berhubungan dengan risiko diabetes (OR = 3.2, 95% CI 2.1-4.8). Apa interpretasi dari confidence interval ini?
OR tidak signifikan pada tingkat 95%
Konsumsi gula tinggi tidak selalu meningkatkan risiko diabetes
Risiko diabetes meningkat antara 2.1 dan 4.8 kali lipat
Confidence interval terlalu luas untuk diandalkan
Tidak cukup data untuk menyimpulkan
Bagaimana cara mengevaluasi signifikansinya?
Melihat nilai odds ratio
Membandingkan p-value interaksi dengan tingkat signifikansi
Menggunakan uji Hosmer-Lemeshow
Membandingkan nilai R-square
Menguji distribusi data
Bagaimana Anda mengevaluasi apakah regresi logistik lebih baik daripada model klasifikasi lain untuk memprediksi status gizi?
Melihat nilai p-value variabel independen
Menghitung akurasi prediksi, sensitivitas, dan spesifisitas
Membandingkan nilai rata-rata data
Menggunakan analisis ANOVA
Melihat histogram data
Model regresi logistik Anda menunjukkan bahwa variabel konsumsi makanan cepat saji (p = 0.001, OR = 5.4) sangat signifikan. Apa yang harus Anda pertimbangkan sebelum menyimpulkan?
Apakah hasilnya valid untuk populasi umum
Apakah terdapat bias seleksi dalam data
Apakah variabel independen lain memengaruhi hasil
Semua di atas
Tidak ada yang perlu dipertimbangkan, hasil sudah jelas
Apa asumsi utama dalam analisis regresi logistik?
Variabel dependen bersifat numerik kontinu
Variabel dependen bersifat kategorikal
Data harus berdistribusi normal
Variabel independen tidak boleh memiliki multikolinearitas
Hubungan antarvariabel selalu linear
Manakah dari berikut yang merupakan fungsi link dalam regresi logistik?
Log-linear
Logit
Probit
Log-log
Semua jawaban benar
Odds dalam regresi logistik merepresentasikan:
Rasio kemungkinan terjadinya suatu peristiwa terhadap tidak terjadinya peristiwa tersebut
Hubungan linier antara variabel independen dan dependen
Rasio antara dua probabilitas
Perbedaan rata-rata antara dua kelompok
Nilai tengah dari distribusi data
Apa yang diukur oleh deviance dalam regresi logistik?
Ukuran kecocokan model
Tingkat hubungan antarvariabel
Tingkat variansi dalam data
Signifikansi variabel independen
Pengaruh interaksi antarvariabel
Manakah yang bukan keluaran utama dalam analisis regresi logistik?
Koefisien regresi
Odds ratio
R-square
Nilai p
Histogram data
Seorang ahli gizi menggunakan regresi logistik untuk memprediksi status gizi (baik atau buruk) berdasarkan pola makan. Jika hasil menunjukkan OR = 0.7 untuk konsumsi buah, bagaimana interpretasinya?
Konsumsi buah meningkatkan kemungkinan status gizi buruk
Konsumsi buah menurunkan kemungkinan status gizi buruk
Konsumsi buah tidak memengaruhi status gizi
Konsumsi buah tidak signifikan dalam model
Data tidak cukup untuk menyimpulkan
Dalam regresi logistik, jika nilai koefisien untuk variabel aktivitas fisik adalah 0.3, maka odds ratio untuk aktivitas fisik adalah:
0.3
1.3
3.0
0.7
1.0
Manakah langkah pertama dalam membangun model regresi logistik?
Menguji signifikansi variabel independen
Menentukan variabel dependen dan independen
Menilai goodness-of-fit model
Menghitung odds ratio
Melakukan analisis residual
Dalam konteks penelitian gizi, regresi logistik dapat digunakan untuk memprediksi:
Kadar gula darah numerik
Probabilitas seseorang mengalami obesitas berdasarkan asupan makanan
Hubungan antara dua variabel kontinu
Perubahan berat badan dari waktu ke waktu
Semua di atas
Ketika variabel independen adalah kategorikal dengan lebih dari dua kategori, bagaimana cara memasukannya dalam regresi logistik?
Sebagai variabel dummy
Sebagai variabel kontinu
Menggabungkan kategori
Tidak memasukkan ke dalam model
Menggunakan uji T
Bagaimana Anda memastikan bahwa model regresi logistik tidak mengalami overfitting?
Menggunakan subset data untuk validasi
Menambahkan lebih banyak variabel independen
Menambahkan interaksi antarvariabel
Menggunakan uji Hosmer-Lemeshow
Menggunakan semua data yang tersedia
Dalam sebuah studi gizi, Anda menemukan bahwa OR untuk konsumsi gula tinggi terhadap obesitas adalah 1.8 (95% CI 1.2-2.6). Namun, konsumsi gula rendah menunjukkan OR 0.9 (95% CI 0.7-1.3). Apa yang dapat disimpulkan?
Konsumsi gula tinggi secara signifikan meningkatkan risiko obesitas
Konsumsi gula rendah menurunkan risiko obesitas
Konsumsi gula tinggi tidak signifikan
Konsumsi gula rendah signifikan
Tidak ada hubungan signifikan
Apa yang harus dilakukan jika hasil model menunjukkan variabel independen tidak signifikan, tetapi secara teori variabel tersebut penting?
Menghapus variabel dari model
Menjaga variabel dalam model untuk analisis lebih lanjut
Meningkatkan ukuran sampel
a dan c benar
b dan c benar
Jika Anda menggunakan regresi logistik untuk memprediksi kemungkinan anemia berdasarkan konsumsi zat besi, apa langkah selanjutnya jika Anda menemukan interaksi signifikan antara konsumsi zat besi dan vitamin C?
Menghapus interaksi dari model
Menambahkan interaksi ke interpretasi model
Mengubah variabel vitamin C menjadi kontinu
Membandingkan model dengan atau tanpa interaksi
Menggunakan regresi linier sebagai alternatif
Dalam sebuah studi, seorang peneliti menemukan bahwa model regresi logistik memiliki nilai AUC (Area Under Curve) sebesar 0.85. Apa artinya?
Model memiliki kemampuan prediksi yang sangat baik
Model tidak cocok dengan data
Model hanya menjelaskan sebagian kecil dari variabilitas
Model memiliki tingkat akurasi rendah
Data tidak cukup untuk menyimpulkan
Seorang peneliti menambahkan variabel baru ke model regresi logistik. Apa yang harus diperiksa untuk memastikan variabel tersebut meningkatkan performa model?
P-value dari variabel baru
Nilai pseudo R-square
Nilai AIC atau BIC
Perubahan pada goodness-of-fit
Semua di atas
Apa yang perlu dilakukan jika ada kategori kosong dalam variabel independen kategorikal selama analisis regresi logistik?
Menghapus kategori tersebut dari analisis
Menggabungkan kategori kosong dengan kategori lainnya
Mengisi data kosong dengan rata-rata kategori
Menggunakan transformasi logaritmik
Tidak melakukan apa pun
Bagaimana cara mengevaluasi apakah model regresi logistik telah disesuaikan secara optimal dengan data?
Menggunakan nilai goodness-of-fit seperti deviance
Membandingkan nilai AIC antar model
Memeriksa residual standar
Memvalidasi menggunakan data lain
Semua di atas
Penelitian menunjukkan bahwa OR untuk aktivitas fisik rendah terhadap obesitas adalah 2.0 (p < 0.05). Apa yang dapat disimpulkan?
Aktivitas fisik rendah secara signifikan meningkatkan risiko obesitas
Aktivitas fisik rendah tidak signifikan terhadap obesitas
Tidak cukup bukti untuk kesimpulan
Aktivitas fisik rendah mengurangi risiko obesitas
Tidak ada hubungan antara aktivitas fisik rendah dan obesitas
Ketika beberapa variabel independen menunjukkan multikolinearitas, apa langkah terbaik yang dapat diambil?
Menghapus salah satu variabel yang berkorelasi tinggi
Menggunakan analisis komponen utama (PCA)
Menggabungkan variabel independen menjadi satu
Memilih variabel dengan hubungan teori terkuat
Semua di atas dapat dilakukan tergantung konteks
Apa yang dimaksud dengan analisis regresi linear berganda?
Metode untuk menganalisis hubungan antara dua variabel
Teknik untuk mengukur pengaruh lebih dari satu variabel independen terhadap variabel dependen
Pendekatan untuk menentukan distribusi data
Teknik untuk memvisualisasikan data dalam diagram batang
Uji untuk mengetahui normalitas data
Dalam analisis regresi linear berganda, variabel dependen adalah:
Variabel kontrol
Variabel bebas
Variabel tak bebas/terikat
Variabel prediktor
Variabel independen
Rumus dasar model regresi linear berganda adalah:
Y=a+bX
Y=a+b1X1+b2X2+…+bnXn
Y=aX+b
Y=bX
Y=ab+X
Dalam konteks Pendidikan Agama Islam, jika variabel dependen adalah "nilai ujian PAI," maka variabel independennya bisa berupa:
Jam belajar PAI dan kehadiran dalam pengajian
Tingkat keaktifan dalam kegiatan keagamaan
Kedisiplinan menjalankan ibadah dan frekuensi belajar Al-Qur'an
Semua jawaban benar
Tidak ada jawaban yang benar
Apa tujuan utama dari analisis regresi linear berganda?
Mengukur rata-rata nilai variabel
Memprediksi nilai variabel dependen berdasarkan lebih dari satu variabel independen
Menentukan distribusi data
Menguji hubungan antar variabel independen
Membuat diagram data
Dalam analisis regresi berganda, koefisien regresi b menunjukkan:
Ukuran pengaruh variabel independen terhadap variabel dependen
Hubungan langsung antara dua variabel independen
Nilai rata-rata variabel dependen
Jumlah data dalam sampel
Tingkat normalitas variabel independen
Apa perbedaan utama antara analisis regresi linear sederhana dan regresi linear berganda?
Jumlah variabel independen yang digunakan
Jenis variabel dependen
Model matematis yang digunakan
Teknik pengolahan data
Cara interpretasi data
Dalam model regresi berganda Y=10+3X1+2X2, nilai Y saat X1 = 2 dan X2 =3 adalah:
25
24
23
22
21
Dalam konteks Pendidikan Agama Islam, jika variabel dependen adalah "motivasi belajar siswa," variabel independen yang relevan dapat berupa:
Frekuensi membaca Al-Qur'an dan kehadiran di masjid
Tingkat pemahaman ajaran Islam dan keaktifan dalam pengajian
Durasi waktu belajar agama di rumah dan kehadiran pada ujian PAI
Jawaban A,B, dan C benar
Tidak ada jawaban yang benar
Apa interpretasi nilai b2=4 dalam model Y=a+b1X1+b2X2?
Variabel X2 tidak signifikan terhadap Y
Tidak ada hubungan antara X2 dan Y
Setiap peningkatan satu satuan X2 meningkatkan Y sebesar 4 satuan
Nilai Y selalu sama dengan nilai X2
Variabel X1 memiliki pengaruh lebih besar dibandingkan X2
Dalam analisis regresi linear berganda, apa langkah pertama untuk menentukan pengaruh variabel independen terhadap variabel dependen?
Menentukan hipotesis uji
Menentukan variabel dependen dan independen
Melakukan uji multikolinearitas
Menghitung nilai R2
Membuat diagram scatter
Seorang guru PAI ingin mengetahui pengaruh "frekuensi membaca Al-Qur'an" (X1) dan "keaktifan dalam kajian Islam" (X2) terhadap "motivasi belajar agama siswa" (Y). Model yang tepat untuk digunakan adalah:
Y=a+bX
Y=a+b1X1+b2X2
Y=a+b1X1−b2X2
Y=b1X1+b2X2
Y=bX+cX2+aY
yang tepat untuk digunakan adalah:
Y=a+bX
Y=a+b1X1+b2X2
Y=a+b1X1−b2X2
Y=b1X1+b2X2
Y=bX+cX2+aY
Jika koefisien b1 dalam model Y=a+b1X1+b2X2 adalah positif, maka interpretasinya adalah:
Peningkatan X1 mengurangi nilai Y
Peningkatan X1 tidak memengaruhi Y
Peningkatan X1 meningkatkan nilai Y
Tidak ada hubungan antara X1 dan Y
Nilai X1 selalu sama dengan Y
Dalam model Y=5+3X1+2X2, jika X1 bertambah 2 unit dan X2 tetap, maka nilai Y akan bertambah:
2 unit
3 unit
6 unit
5 unit
8 unit
Seorang guru PAI menggunakan model regresi untuk memprediksi nilai siswa. Variabel dependen adalah "nilai ujian PAI," dan variabel independen adalah "jam belajar" (X1) dan "kehadiran dalam pengajian" (X2). Interpretasi b2=4 adalah:
Setiap peningkatan satu satuan kehadiran siswa meningkatkan nilai ujian sebesar 4 poin
Kehadiran siswa dalam pengajian tidak memengaruhi nilai ujian
Peningkatan jam belajar meningkatkan nilai ujian sebesar 4 poin
Kehadiran siswa dalam pengajian mengurangi nilai ujian
Hubungan antara X2 dan Y bersifat negatif
Dalam regresi berganda, jika R2=0,85, apa arti nilai ini?
Variabel independen tidak signifikan terhadap variabel dependen
85% variasi dalam Y dijelaskan oleh variabel independen
Hubungan antara X1 dan X2 adalah 85%
Variabel independen hanya memiliki pengaruh kecil terhadap Y
Variabel independen tidak dapat menjelaskan nilai Y
Jika b1=2 dan b2=−1, apa interpretasi b2 dalam model regresi Y=a+b1X1+b2X2?
Setiap peningkatan X2 sebesar satu satuan akan meningkatkan Y sebesar 1 satuan
Setiap peningkatan X2 sebesar satu satuan akan mengurangi Y sebesar 1 satuan
Nilai Y tidak terpengaruh oleh X2
Nilai X2 selalu positif
Variabel X2 tidak signifikan
Dalam regresi berganda, jika salah satu variabel independen memiliki nilai koefisien regresi yang kecil tetapi signifikan, maka variabel tersebut:
Tidak berpengaruh pada variabel dependen
Tidak relevan dengan analisis
Tidak layak dimasukkan dalam model regresi
Memiliki hubungan negatif dengan variabel dependen
Memiliki pengaruh kecil namun signifikan pada variabel dependen
Seorang guru menggunakan analisis regresi untuk memprediksi "motivasi belajar siswa" (Y) berdasarkan "frekuensi membaca Al-Qur'an" (X1) dan "kehadiran di pengajian" (X2). Jika R2=0,70, maka:
Model menjelaskan 70% variasi dalam Y
Variabel independen tidak signifikan terhadap Y
Variabel independen hanya sedikit memengaruhi Y
Model tidak layak digunakan
Semua variasi dalam Y dijelaskan oleh model
Dalam analisis regresi berganda, jika p-value dari b1 adalah 0,04, maka interpretasinya adalah:
Variabel X1 tidak berpengaruh signifikan pada Y
Variabel X1 berpengaruh signifikan pada Y dengan tingkat signifikansi 5%
Hubungan antara X1 dan Y tidak dapat ditentukan
Variabel X1 memiliki pengaruh negatif terhadap Y
Tidak ada hubungan antara X1 dan Y
Diberikan persamaan regresi Y=3+2X1−X2. Apa interpretasi dari koefisien X1?
Nilai rata-rata Y jika X1 dan X2 bernilai nol.
Setiap kenaikan satu unit pada X2, Y bertambah 2, dengan asumsi X1 tetap.
Setiap kenaikan satu unit pada X1, Y bertambah 2, dengan asumsi X2 tetap.
Setiap kenaikan satu unit pada X1, Y berkurang 2, dengan asumsi X2tetap.
Tidak ada hubungan antara X1 dan Y.
Apa arti R2=0.85 dalam konteks regresi linear berganda?
85% dari variabel independen dijelaskan oleh variabel dependen.
85% adalah nilai rata-rata dari residual.
Variabel independen tidak memiliki hubungan dengan variabel dependen.
Model regresi memiliki tingkat kesalahan 85%.
85% dari variabel dependen dijelaskan oleh variabel independen.
Dalam regresi berganda, mengapa penting untuk memeriksa nilai p-value dari setiap koefisien?
Untuk menentukan apakah pengaruh variabel independen terhadap dependen signifikan.
Untuk menghitung nilai prediksi Y.
Untuk mengukur pengaruh variabel dependen terhadap variabel independen.
Untuk menentukan apakah model linier digunakan.
Untuk mengevaluasi kualitas residual.
Diberikan dua model: Model A dengan R2=0.75 dan Model B dengan R2=0.85. Mana yang lebih baik dalam memprediksi Y?
Model A, karena lebih sederhana.
Model A, karena R2 lebih rendah.
Model B, karena memiliki R2 lebih tinggi.
Kedua model sama baiknya.
Tidak bisa ditentukan tanpa uji statistik lainnya.
Model regresi Y=10+5X1+3X2. Jika X1 bertambah dari 2 ke 4, dan X2=1, bagaimana perubahan Y?
Y bertambah 5.
Y bertambah 10.
Y bertambah 15.
Y bertambah 20.
Y bertambah 25.
Jika model regresi Y=5+4X1+3X2 digunakan, Berapa prediksi Y jika X1=2 dan X2=1?
11
14
16
17
18
Diberikan data berikut: Variabel Y: Pendapatan tahunan. Variabel X1: Tingkat pendidikan. Variabel X2: Lama pengalaman kerja. Apa yang bisa diinterpretasikan jika koefisien X2 signifikan secara statistik?
Tingkat pendidikan tidak memengaruhi pendapatan.
Lama pengalaman kerja berpengaruh terhadap pendapatan setelah mengontrol tingkat pendidikan.
Lama pengalaman kerja tidak berhubungan dengan pendapatan.
Pendidikan lebih memengaruhi pendapatan daripada pengalaman kerja.
Pendapatan tidak dapat dijelaskan oleh model ini.
Jika residual model regresi memiliki pola sistematis, apa yang dapat disimpulkan?
Model linier sudah optimal.
terjadi heteroskedastisitas karena ada variabel penting yang belum dimasukkan ke dalam model.
Semua variabel independen signifikan.
Variabel independen tidak saling berkolerasi.
Model terlalu kompleks.
Seorang peneliti ingin menganalisis pengaruh pembelajaran daring PAI (X1) dan motivasi siswa (X2) terhadap hasil belajar PAI (Y). Apa langkah terbaik jika X1 dan X2 memiliki korelasi tinggi?
Menghapus salah satu variabel dari model.
Menambahkan variabel baru untuk menggantikan keduanya.
Menggunakan analisis faktor atau interaksi variabel.
Menggunakan metode regresi sederhana.
Membagi dataset menjadi dua untuk menghilangkan efek korelasi.
Diberikan dua variabel prediktor X1 dan X2. Bagaimana cara terbaik untuk menentukan prediktor paling penting?
Bandingkan nilai R2
Periksa koefisien regresi standar (standardized coefficients beta).
Bandingkan nilai residual.
Analisis nilai konstanta model.
Periksa hubungan antar residual.
